阿里获 ACL 2026 最佳资源论文奖，提出 Agent 评测新基准 HSCodeComp

在 ACL 2026 公布的最佳论文奖项中，阿里研究团队关于 Deep Research Agent 的研究成果获得最佳资源论文奖（Best Resource Paper），成为本届唯一获此奖项的中国公司团队。该奖项是从全球 12148 篇投稿中遴选而来，主会录用率仅为 19%，最终仅有 4 篇论文获评 Best Resource Paper。ACL 是自然语言处理领域历史最悠久、最具权威性的国际学术会议之一，长期位居谷歌学术计算语言学子领域 h5-index 影响力榜首。

基准设计：以海关编码切入专家级 Agent 评测

获奖论文以商品出口所需的 10 位海关编码（HS Code）为研究场景，提出了专门针对真实场景和专家水平的智能体基准 HSCodeComp。该基准要求 Agent 像资深关务专家一样，将商品模糊的自然语言属性与严格的关税归类规则对齐，并精准映射到 10 位细分编码。

在评测覆盖面上，研究团队对 14 个主流大模型和 9 个先进 Agent 框架进行了系统测试，全面考察各系统在层级化专业规则约束下的推理与判断能力。

关键发现：当前 Agent 存在结构性能力短板

测试结果显示，表现最好的 Agent 系统准确率约为 45%，与人类专家 95% 的准确率之间存在巨大鸿沟。更值得警惕的是，研究发现单纯增加推理时间（inference-time scaling）并不能显著缩小这一差距，说明问题并非出在算力层面，而是 Agent 架构本身的结构性瓶颈。

研究还进一步拆解了 Agent 系统缺陷的三大成因：

• 过长的推理链导致 Agent 在中途偏离正确路径；
• 领域知识不足使得规则被错误调用；
• 推理幻觉造成 Agent 生成缺乏事实依据的分类判断。

ACL 评审委员会评价该基准「切中了 Agent 应用的高度重要挑战——考察 Agent 对严格层级化自然语言规则的遵循能力」，并认为「严谨的人类专家评测流程提供了高度可靠的能力上界」。

阿里自研 Agent 达 65%，基准已全面开源

基于上述研究成果，阿里在跨境贸易数字关务等场景中设计了以 Qwen 基座模型为核心的 Agent 框架。在 HSCodeComp 基准（10 位编码准确率）的测试中，该 Agent 以 65.0% 的准确率位列所有 AI 系统第一，显著领先其他被测框架。

目前，HSCodeComp 的数据集与评测代码已在 Hugging Face 和 GitHub 全面开源，供学术界与产业界后续研究使用。阿里研究团队表示，层级规则应用不仅是国际贸易的核心能力，也广泛存在于法律合规、医疗诊断、税务审计等高价值专业领域，希望 HSCodeComp 能为构建真正可靠的专业 AI 系统提供科学的评测标杆。